外觀
Statistics › 實驗設計 › 核心概念
核心概念與名詞 (Core Concepts & Terminology)
很多實驗設計錯誤來自概念混淆:把干擾變數當控制變數、把觀測單位當實驗單位,都會導致分析錯誤。存活分析的資料結構見 存活分析核心概念。
變數類型
| 類型 | 定義 | 例子(藥物試驗) | 怎麼處理 |
|---|---|---|---|
| 自變數 (independent variable, IV) | 研究者操弄的「因」 | 劑量 0 / 10 / 20 mg | 隨機分派 |
| 依變數 (dependent variable, DV) | 量測的「果」 | 治療後血壓 | — |
| 干擾變數 (confounder) | 同時影響 IV 與 DV,扭曲效果 | 年齡(影響劑量選擇與血壓) | 隨機化;觀察研究只能統計調整 |
| 雜訊變數 (nuisance variable) | 影響 DV 但不是研究重點,只增加變異 | 實驗技術員、時段、定序批次 | 區集化或放進模型 |
| 區集變數 (blocking variable) | 用設計控制的雜訊變數 | 多中心試驗的醫院 | 每個區集內都有所有處理 |
| 共變數 (covariate) | 與處理一起量測,用來降低誤差 | 治療前基線血壓 | ANCOVA、迴歸調整 |
干擾 vs 雜訊:干擾變數會造成偏誤(危險);雜訊變數只增加變異(降低檢定力)。前者靠隨機化,後者靠區集化。
實驗單位 vs 觀測單位
| 名詞 | 定義 | 例子 |
|---|---|---|
| 實驗單位 (experimental unit, EU) | 獨立接受處理的最小單位 | 接受藥物的病人、一隻小鼠、一盤培養皿 |
| 觀測單位 (observational unit, OU) | 實際被量測的單位 | 該病人的血液樣本、小鼠的每個細胞 |
EU ≠ OU 時:對一頭牛給處理、量 5 次牛奶,EU 是牛、OU 是牛奶樣本。把 n = 5 當獨立樣本就是假重複 (pseudoreplication),會嚴重低估 SE。
python
import numpy as np
import pandas as pd
rng = np.random.default_rng(42)
data = pd.DataFrame({
"cow_id": np.repeat([1, 2, 3], 5), # 3 個實驗單位
"treatment": np.repeat(["A", "B", "A"], 5),
"milk_yield": rng.normal(20, 2, 15), # 每頭 5 次量測
})
len(data) # ❌ n = 15
eu = data.groupby(["cow_id", "treatment"], as_index=False)["milk_yield"].mean()
len(eu) # ✅ n = 3,先彙總到 EU 層級
# 或保留所有量測,用混合模型:milk_yield ~ treatment + (1 | cow_id)生物實驗中的重複
| 類型 | 定義 | 用途 | 能否當作 n? |
|---|---|---|---|
| 生物重複 (biological replicate) | 不同個體 / 獨立培養的樣本 | 推論到母體、估計生物變異 | ✅ |
| 技術重複 (technical replicate) | 同一樣本重複量測(同一 RNA 跑兩次) | 估計量測誤差 | ❌ 先平均 |
| 細胞 / 讀值 | 同一樣本內的大量觀測 | — | ❌ |
單細胞資料比較組別時,有效樣本數是捐贈者 / 小鼠數,不是細胞數。見 假設檢查:獨立性、混合效應模型。
因子、水準與處理
| 名詞 | 定義 | 例子 |
|---|---|---|
| 因子 (factor) | 研究的類別自變數 | 藥物種類 |
| 水準 (level) | 因子的具體取值 | A、B、安慰劑 |
| 處理 (treatment) | 施加的水準組合 | 藥物 A 10 mg |
| 對照組 (control) | 比較基準 | 安慰劑組、未處理組、vehicle control |
| 安慰劑 (placebo) | 外觀相同但無效的處理 | 糖錠 |
單因子:藥物(3 水準)→ 3 組。兩因子:藥物(3)× 劑量(2)→ 6 個處理組合。完全因子設計 (full factorial) 測試所有組合,能偵測交互作用,見 常見設計。
觀察研究的類型
| 類型 | 說明 | 例子 | 能估計 |
|---|---|---|---|
| 橫斷面 (cross-sectional) | 單一時間點快照 | 今天的收入與健康調查 | 盛行率、關聯 |
| 世代 (cohort) | 追蹤一群人往前看 | 追蹤吸菸者 vs 非吸菸者 10 年 | 發生率、相對風險 (RR) |
| 病例對照 (case-control) | 比較有結果 vs 無結果者的過去暴露 | 肺癌病人 vs 健康者 | 只能估 odds ratio |
| 回溯性 (retrospective) | 使用既有紀錄回頭看 | 過去 5 年病歷 | 依設計而定 |
Bradford Hill 準則用來判斷觀察到的關聯是否可能為因果:關聯強度、一致性、時序性(因必須在果之前)、劑量反應、生物合理性等。
檢查資料的實驗結構
整潔資料 (tidy data):一列一個觀測、每個因子與結果各一欄。
python
d = pd.DataFrame({
"subject_id": range(1, 19),
"drug": np.repeat(["DrugA", "DrugB"], 9),
"dose": np.tile(["Low", "Medium", "High"], 6),
"block": np.repeat([1, 2, 3], 6),
"bp": rng.normal(130, 10, 18).round(1),
})
d.groupby(["drug", "dose"]).size().unstack() # 每格樣本數:是否平衡、有無缺格
pd.crosstab(d["block"], d["drug"]) # 處理是否與區集 / 批次混在一起平衡設計 (balanced design):每格重複數相同,分析較簡單、檢定力較高,規劃時應盡量達成。
內部 vs 外部效度
| 效度 | 問題 |
|---|---|
| 內部效度 (internal validity) | 處理真的造成本研究觀察到的效果嗎? |
| 外部效度 (external validity) | 結果能推廣到研究情境之外嗎? |
控制越嚴格通常內部效度越高,但可能降低真實性。完整的效度與偏誤類型見 干擾、偏誤與效度。